一、資料分析是什麼？

根據分析目的，用適當的分析方法及工具，對資料進行分析提取有價值的資訊，形成有效結論的過程。

二、資料分析的作用

通過觀察當前資料知道當前發生了什麼？通過具體資料，進行拆解，深究問題發生的原因

三、資料分析的應用場景

1. 資料敏感性

2. 對資料的應用能力

3. 資料解讀能力，直擊核心

4. 熟練使用資料分析工具

5. 統計分析能力

6. 良好的邏輯思維能力

7. 對業務的深刻理解

五、資料分析不同階段的能力表現

入門：能解決基礎問題

深度理解各個資料指標代表的含義，並且能夠及時發現數據中的問題和機會。

能夠熟練運用各種資料分析工具，分析資料中心的問題，提出有價值的意見和建議

進階：能深度分析

快速、準確、深度理解資料代表的含義，並且能夠快速找到問題的根源。

能夠根據不同的資料分析需求，選擇不同的分析維度，對資料進行挖掘，發現其中存在的邏輯，為業務提供前瞻性的資料建議

專業：分析更加深度和廣度

常用的資料分析模型

1. QQ模型——質量、數量

對一個專案成果的評估，我們可能會比較看重數量上是否達標，而往往會忽視掉質量。所以，QQ模型，注重的是從質量、數量兩個維度一起考量。

2. 使用者行為理論

從使用者行為這個維度來看資料成果，從認知到忠誠是逐一遞進的關係，當用戶行為滿足“忠誠”級別，且相關資料樂觀時，則專案效果最優。

站內搜尋：搜尋訪問次數佔比

試用：使用者註冊：註冊使用者數、註冊轉化率

使用：使用者登入：登入次數、訪問登入比；使用者訂購：訂單數、轉化率

忠誠：使用者粘性：回訪者比例；使用者流失率

3. 5W2H分析法

what：產品提供什麼服務、使用者的核心需求是什麼？

who：誰是目標使用者？使用者有什麼特點？

where：使用者一般在什麼場景下使用產品？

why：使用者為什麼要使用產品？產品有什麼地方吸引使用者？

how：使用者如何使用產品？使用者使用路徑

how much：使用者花費的金額：付費使用者的比例

4. AARRR模型

使用者啟用：定義使用者啟用行為、使用者啟用率、啟用漏斗轉化率

使用者留存：使用者生命週期、使用者留存率、不同使用者分組率

使用者收入：付費使用者數、付費使用者佔比、平均付費金額

使用者推薦：推薦使用者數、推薦轉化率、被推薦轉化率

5. RFM模型

6. 人貨場模型（零售行業的概念）

常用資料分析方法：

1）對比分析法：

時間對比：同比、環比、變化趨勢空間對比：不同城市、不同產品對比目標對比：年度目標、月度對比、活動目標使用者對比：新使用者和老使用者、註冊使用者和未註冊使用者競品對比：渠道、功能、體驗流程、推廣與收入分組分析法：不同時間分組、不同產品型別分組、不同使用者型別分組、不同渠道分組

使用者資料分析的資訊多樣化，且各種型別資料之間的差異較大，用於分析不同型別資料之間得到差異，經常與對比分析一起使用。

2）邏輯樹分析法

漏斗圖分析：用於發現某個行為路徑中的問題

3）矩陣關聯法

當你判斷某個事物有多重屬性時，且各個屬性之間沒有直接的關聯性，需要根據多重屬性判斷事物的結果。

優化渠道推廣結構、節約成本，以達到最低成本做到最高推廣效果。

而業務分析的核心工作就是增長業績

如果放到網際網路行業，無非分為三個方向

使用者增長，使用量增長，變現能力增長

而對應的整體流程:分為三個步驟增長可行性評估和方案借鑑尋找並確定增長點的範圍短平快的增長實驗工作流程其中實驗流程包括2個方面的要求

因此，如果你想做好網際網路資料分析工作

第一，你必須具備一定的軟硬體基礎

軟體上，你必須具備資料分析能力，一定的使用者心理學能力，以及MVP團隊能力

硬體上，你必須具備資料基礎，ABtest的環境，以及測試工具平臺。

第二，你必須掌握一定的具體實操方法

在流程上你繞不開AARRR五棍流:獲客，啟用，變現，留存，轉介紹。其中包括大量可複用且優秀的實踐方法。同時，你需要充分利用上癮模型來研究裂變，流量池等增長路徑，不斷突破創新運營模式。

正所謂實踐出真知，也就是說網際網路資料分析都是依託增長實驗來進行的，那麼如何進行增長實驗呢？下面有方法:

增長實驗的五步法首先你要通過資料分析與業務事實來收集實驗想法，並且形成自己的假設。其次通過定性定量或者綜合評分的方式，將假設進行優先順序重要性排序設計實驗指標，明確實驗的物件，並制定出具體的落地實施方案，撰寫PRD將實驗需求轉化為產品功能，資料埋點，測試上線，開始週期實驗最後分析實驗結果的可用性和價值，評估下一步推廣或改進方向

至此網際網路分析整體框架和落地方法OK了

那麼接下來一個最頭疼的問題就是:如何發現這個增長實驗的假設呢？

羊毛出在羊身上，其實迴歸到本質上來看

這個問題就不難了。所以你還是得回到公司業務本身上來分析查詢原因。

發現增長機會的2大步驟首先你需要分析業務資料，從巨集觀到微觀，從定性到定量，從業務屬性到使用者屬性等基礎角度出發尋找增長乏力點。其次，根據公司資料基本面做前提，深入挖掘使用者物件的行為資料，週期規律，以及使用者分群行為等，結合轉化率與客群營銷來展開分析實驗。總之，網際網路資料分析關鍵點在增長

沒有固定的分析套路，講究靈活運用，快速實驗驗證。

眼花繚亂的東西很多，真正派上用場的，卻不見得是那些看起來炫酷的。很多方法樸實無華，卻解決大量的問題。

下面十個方法都是我這麼多年做網際網路運營分析時一定會用到的最經典的方法。這些方法如果爛熟於心，其實網際網路運營分析的最核心部分也就掌握差不多了。真沒那麼複雜。

我們從第十個方法倒著講，重要性並無優劣之分，但壓軸的，往往是最重要的。

方法十：Link Tag的流量標記

Link tag的意思，是在流量源頭的鏈出連結上（鏈出URL上）加上尾部引數。這些引數不僅不會影響連結的跳轉，而且能夠標明這個連結所屬的流量源是什麼（理論上能夠標明流量源的屬性數是無限的）。

Link tag不能單獨起作用，必須要在網站分析工具或者app分析工具的配合下工作。

Link tag是流量分析的基礎，要嚴肅的分析流量，不僅僅是常規分析，還包括歸因分析（attribution analysis），都需要使用link tag的方法。

分析轉化的基本模型是轉化漏斗（conversion funnel），這個大家都應該很熟悉了。

轉化漏斗最常見的是把最終的轉化設定為某種目的的實現，最典型的就是實現銷售，所以大家很多時候把轉化和銷售是混為一談。但轉化漏斗的最終轉化也可以是其他任何目的的實現，比如一次使用app的時間超過10分鐘（session duration >10minutes）。對於增長黑客而言，構建漏斗是最為常見的工作。

漏斗幫助我們解決兩方面的問題，第一、在一個過程中是否發生洩漏，如果有洩漏，我們能在漏斗中看到，並且能夠通過進一步的分析堵住這個洩漏點；第二、在一個過程中是否出現了其他不應該出現的過程，造成轉化主程序受到損害。

漏斗的構建很簡單，無論web還是app，都是最好用的方法之一。但漏斗使用的奧祕則很豐富。而且漏斗方法還會和其他方法混合使用，樂趣無窮。我在網際網路資料運營的課程中也會具體講解。

人人都懂轉化漏斗，但不是所有人都關注微轉化。但是你想指望一個轉化漏斗不斷提升轉化率太困難了，而微轉化卻可以做到。轉化漏斗解決的是轉化過程中的大問題，但大問題總是有限的，這些問題搞定後，你還是需要對你的轉化進行持續優化，這個時候必須要用到微轉化。

微轉化是指在轉化必經過程之外，但同樣會對轉化產生影響的各種元素。這些元素與使用者的互動，左右了使用者的感受，也直接或者間接的影響了使用者的決定。

比如，商品的一些圖片展示，並不是轉化過程中必須要看的，但是它們的存在，是否會對使用者的購買決定產生影響？這些圖片就是微轉化元素。

個人認為，研究微轉化比研究轉化更好玩。有一些案例，課堂上跟大家講。

合併同類項是大家容易忽視的常用方法。我們往往非常重視細分，但有的時候我們卻需要了解更巨集觀的表現。

合併同類項就是這樣的方法。舉一個例子，我問你，一個電子商務網站，所有商品頁的整體表現如何？它們作為一個整體的bounce rate怎麼樣，停留時間怎麼樣，使用者滿意度怎麼樣等等，你能夠回答嗎？

如果我們檢視每一個商品頁的表現，然後再把所有一個一個頁面的資料加總起來作分析，就太麻煩了（根本無法實現分析）。這個時候，我們必須要合併同類項。

如何合併？利用分析工具的過濾工具或者查詢替換功能。不支援這樣功能的工具你可以考慮扔掉了，因為這根本不應放在增長黑客的專業裝備箱中。

合併同類項還有很多用途，比如你要了解web或者app一個版塊（頻道）的整體表現，或者你要了解整個導航體系的使用情況，這都是必須使用的方法。

通過資料優化運營和產品的邏輯很簡單——看到問題，想個主意，做出原型，測試定型。

比如，你發現轉化漏斗中間有一個漏洞，於是你想，一定是商品價格不對頭，讓大家不想買了。你看到了問題——漏斗，而且你也想出了主意——改變定價。

但是這個主意靠不靠譜，可不是你想出來的，必須得讓真實的使用者用。於是你用AB測試，一部分的使用者還是看到老價格，另外一部分使用者看到新價格。若是你的主意真的管用，新價格就應該有更好的轉化。若真如此，新的價格就被確定下來（定型），開始在新的轉化高度上執行，直到你又發現一個新的需要改進的問題。

增長黑客的一個主要思想之一，是不要做一個大而全的東西，而是不斷做出能夠快速驗證的小而精的東西。快速驗證，如何驗證的？主要方法就是AB測試。

今天的網際網路世界，由於流量紅利時代的結束，對於快速迭代的要求大大提升了，這也使我們更加在意測試的力量。

在web上進行AB測試很簡單，在app上難度要高很多，但解決方法還是很多的。國外那些經典app，那些賣錢遊戲，幾乎天天都在AB測試。

熱圖是一個大家都喜歡的功能，它是最直觀的記錄使用者與產品介面互動的工具。不過真用起來，可能大家很少真正去深究吧！

熱圖，對於web、app的分析，都非常重要！今天的熱圖相對於過去的熱圖，功能得到了極大的提升。

在web端，過去一些解決不好的問題，比如只能看連結的被點選情況，點選位置錯位，對浮層部分點選的標記，對鏈出連結的標記等等，現在已經有好的工具能夠提供很多新的辦法去解決。在app端則分為兩種情況，內容類的app，對於熱圖的需求較弱；但工具類的app對於熱圖的需求則很顯著。前者的screen中以並列內容為主，且內容動態變換，熱圖應用價值不高；後者則特別需要通過熱圖反映使用者的使用習慣，並結合app內其他的engagement的分析（in-app engagement）來優化功能和佈局設計，所以熱圖對它們很重要。

要想熱圖用的好，一個很重要的點在於你幾乎不能單獨使用一個熱圖就想解決問題。我常常用集中對比熱圖的方法。

其二，細分人群的熱圖對比分析，例如不同渠道、新老使用者、不同時段、AB測試的熱圖對比等等。

總之，分析很多使用者互動的時候，熱圖簡直是神器，只不過，熱圖真的比你看到的要更強大！

網際網路運營資料分析的一個很重要的基礎是網站分析。今天的app分析、流量分析、渠道分析，還有後面要講到的歸因分析等等，都是在網站分析的基礎之上發展起來的。

但是，早期的網站分析有一個特點，就是對於使用者在頁面上互動行為的記錄，只能記錄下來一種，就是點選http連結（點選URL）。不過隨著技術的發展，頁面上不僅僅只有http連結，頁面上還有很多flash（現在flash都要被淘汰了）、JavaScript的互動連結、視訊播放、連結到其他的web或者app的連結等等，使用者點選這些東西就都無法被老方法記錄下來了。

不過，有問題就一定有方法，人們發明了event tracking來解決上面的問題。event tracking本質上是對這些特殊互動的定製化監測，而由於是定製化，所以反而有了更多附加的好處，即可以額外新增對於這個活動的更多的說明（以event tracking這個方法的附件屬性的方式）。結果，這個方法甚至有些反客為主，即使是一些http連結，很多分析老手也喜歡把它們加上event tracking（技術上完全可行），以獲得更多的額外監測屬性說明。

隨著app的出現，由於app的特殊性（螢幕小，更強調在一個螢幕中完成互動），分析app的page（實際上應該是app的screen）間跳轉的重要性完全不如web上的page之間的跳轉，但分析app上的點選行為的重要性則十分巨大，這就使我們分析in-app engagement的時候，必須大量依賴event，而相對較少使用screen。這就是說，在app端，event反而是主，page（更準確應該是screen）反而是輔！

這也是為什麼，這個方法你必須要掌握的原因。

Cohort分析還沒有一個所有人都統一使用的翻譯。有的說是佇列分析，有的說是世代分析，有的說是佇列時間序列分析。大家可以參考維基百科：https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，找找自己覺得合適的譯名。

無論哪種叫法，cohort分析在有資料運營領域都變得十分重要。原因在於，隨著流量經濟的退卻，精耕細作的網際網路運營特別需要仔細洞察留存情況。Cohort分析最大的價值也正在於此。Cohort分析通過對性質完全一樣的可對比群體的留存情況的比較，來發現哪些因素影響短、中、長期的留存。

Cohort分析受到歡迎的另一個原因是它用起來十分簡單，但卻十分直觀。相較於比較繁瑣的流失（churn）分析，RFM或者使用者聚類等，Cohort只用簡單的一個圖表，甚至連四則運算都不用，就直接描述了使用者在一段時間週期（甚至是整個LTV）的留存（或流失）變化情況。甚至，Cohort還能幫你做預測。

我總覺得cohort分析是最能體現簡單即美的一個典型方法。

歸因不是人人都聽說過，用好的更是寥寥無幾。 不過，考慮到人們購買某一樣東西的決策，可能受到多種因素（數字營銷媒體）的影響，比如看到廣告瞭解到這個商品的存在，利用搜索，進一步瞭解這個商品，然後在social渠道上看到這個商品的公眾號等等。這些因素的綜合，讓一個人下定了決心購買。

因此，很多時候，單一的廣告渠道並不是你開啟客戶閘門的閥門，而是多種渠道共同作用的結果。

如何瞭解數字營銷渠道之間的這種先後關係或者相互作用？如何設定合理的數字營銷渠道的策略以促進這種關係？在評價一個渠道的時候，如何將歸因考慮在內從而能夠更客觀的衡量？這些都需要用到歸因。

如果你是網際網路營銷的負責人，歸因分析是必不可少的分析方法。在我的課堂上，會特別多的篇幅講解這個方法。

嚴格說，細分不是一種方法，它是一切分析的本源。所以它當之無愧要排名第一。

我經常的口頭禪是，無細分、毋寧死。沒有細分你做什麼分析呀。

細分有兩類，一類是一定條件下的區隔。如：在頁面中停留30秒以上的visit（session）；或者只要北京地區的訪客等。其實就是過濾。另一類是維度（dimension）之間的交叉。如：北京地區的新訪問者。即分群（segmentation）。

細分幾乎幫助我們解決所有問題。比如，我們前面講的構建轉化漏斗，實際上就是把轉化過程按照步驟進行細分。流量渠道的分析和評估也需要大量用到細分的方法。

維度之間的交叉是比較體現一個人分析水平的細分方法。比如，我的朋友孫維（卡車之家的資料負責人），他將使用者的反饋作為event tracking的屬性（放在了event action屬性中），提交給GA，然後在自定義的報告中，將使用者反饋和使用者的其他行為交叉起來，從而看到有某一類反饋的使用者，他們的行為軌跡是什麼，從而推測發生了什麼問題。

分析跳出率時，我們也會把landing page和它的traffic source（流量源）進行交叉，以檢查高跳出率的表現是由著陸頁造成，還是由流量造成。這也是典型的維度交叉細分的應用。

無細分，毋寧死。

我們是做CRM客戶關係管理系統的，我簡單的分享一下關於銷售團隊管理方面的資料分析思路。

一、很多管理者可能聽說過資料分析，但不知道什麼是資料分析。

簡單地說，資料分析指的是從大量的資料中提煉有用的資訊和形成結論的過程，同時也是從資料中挖掘潛在問題的過程。資料分析能力其實是每個銷售管理者的基本功。作為銷售經理，不要再把銷售團隊僅僅當做衝鋒隊，只為客戶拿訂單而已了。而應該把團隊當做一個小微企業來管理，要學會做營銷、學會資料分析、學會維護客戶，因為這是未來銷售團隊的發展趨勢。

二、為什麼要做資料分析，資料分析對我有什麼用？

1.做精細化管理

我們不能看到團隊當月業績比較好就盲目樂觀，我們必須清楚知道團隊每個銷售人員還有多少意向客戶，這些意向客戶都是什麼級別，跟進到什麼程度，意向客戶的轉化率是多少，成交客戶資料走向趨勢是怎麼樣的，這些都要靠線上CRM系統中的資料分析，沒有資料分析，就是盲人摸象，我們根本無法實時把控團隊的銷售業績。

2.提升工作效率

我們對資料的掌控力常常就是對團隊的掌控力。根據資料發現問題、及時解決問題是對團隊效率的保證，也是讓團隊穩定進步的有效方法。我們只要把團隊的資料拉出來做對比，就能大致發現團隊存在的問題，然後根據問題深入研究和分析，就能找到背後的規律，從而給出解決方案。如果你的團隊有幾十人或者幾百人，你不可能通過一對一談話來解決問題，這樣你的效率太低了，一定要先做資料分析，然後再做應對方案。

三、我們該如何做好資料分析？

作為銷售經理我們要分析兩大類資料，一類是過程資料，另外一類是結果資料，我們今天重點講過程資料，對於B2B行業（企業對企業）的銷售來說，通常是採用電話和麵談的銷售方式來開發客戶，要關注的過程資料通常是聯絡次數，意向客戶數，拜訪客戶數和成交客戶數。接下來，我們通過實際的案例來剖析如何通過資料分析來提升銷售業績。

案例一：聯絡次數、意向客戶數、拜訪客戶數都很少。

解決方案：針對日常表現情況，可以把銷售分類兩種情況，一種是態度好的，一種是態度不好的。

第一種，態度好的，要檢查銷售的客戶資料數量和質量，看看銷售是不是沒有查資料或者查的都是很差的資料。如果發現資料數量夠但質量不高，可以進行輔導查高品質資料的方法，解決客戶資料問題。

第二種，態度不好的，如果銷售態度不好，我們就要進行一對一地溝通，看看銷售是不是最近遇到什麼事，如果壓力比較大的，我們就要給銷售減減壓。

比如，我們團隊的一個銷售有幾天工作態度不好，於是我跟他進行了溝通，後來發現原來這幾天他父親身體不好，他很擔心，於是我給他放了個假回去看望父親，回來後態度特別好，工作量一下子上來了，開單量也大幅提升。

案例二：聯絡次數多，但意向客戶數、拜訪客戶數都很少。

解決方案：首先我們去看一下聯絡記錄的拜訪情況，可以選擇抽查，看是跟客戶閒聊還是找人湊電話。

第一，跟業務相關要檢查是不是銷售在異議處理以及挖掘需求方面存在一些問題，如果有，那麼就要進行對應的輔導或者集中培訓。

第二，跟業務無關先判斷是跟客戶閒聊還是湊電話數，前者要進行一對一的溝通並提出警告，還要繼續監督抽查他的聯絡記錄。如果是湊電話，也就是說大的是親朋好友的電話，並不是客戶電話，這種情況就要按照公司的規章制度進行懲罰，情節嚴重的直接勸退。

之前我們團隊入職了一個新銷售，剛剛入職第八天就發現他有湊電話的情況，而且還不止一通電話，而是十幾通電話都是打的假電話，鑑於他的態度很差，工作態度不好，就直接讓人事給他辦理了離職。從此以後，再也沒人敢湊電話了。

案例三：聯絡次數、意向客戶多，但拜訪客戶數少

解決方案：檢查銷售聯絡情況，看看銷售是否有邀約意識。如果有，檢查是不是邀約話術有問題或者是判斷意向客戶有問題，可以安排對應的輔導或者培訓；如果沒有，就要進行邀約意識加強的輔導或者邀約演練，知道銷售養成邀約習慣。

我們有個新銷售，基礎工作量都很到位，但就是約不到客戶，我麼檢查發現，原來他邀約客戶太委婉，只要客戶一推辭，他就直接放棄邀約了，後來讓有效的銷售跟他分享，同時安排了邀約輔導，兩天後直接邀約到了3個客戶，現場簽約2單。

案例四：聯絡次數、意向客戶數、拜訪客戶數都很多，但就是沒有成交。

解決方法：首先要看銷售的拜訪是否有問題，你可以陪訪銷售去見客戶，看下銷售在拜訪客戶的過程中到底出了什麼問題，是因為準備不充分還是因為現場談單混亂，多陪訪幾個客戶就能找到問題所在，哪裡有問題就做哪裡的輔導或培訓就可以了。

我們有個銷售連續好幾天進了好幾個客戶，但就是一單也沒簽下來，後來我跟他一起去見客戶，到了客戶那我就發現，這個銷售拜訪客戶有嚴重的問題。他一見到客戶就說個沒完，根本沒有給客戶提問的機會，也沒有傾聽客戶的想法，最後導致自己說了一大堆也沒有簽單。回來後，我指出了他的問題，並且給他進行拜訪客戶的演練和培訓，一個月後，他的拜訪客戶簽單率達到了50%。

總結：

資料時代不斷的變革，資料分析變得越來越重要，作為一個銷售管理者，資料分析是一項很重要的必備技能。一個優秀的銷售管理者一定是多面手，既要懂業務、懂管理，還要會藉助工具來進行資料分析。不管你今天會不會，未來你一定得會，因為這就是趨勢。

作者：ayura連結：https://www.zhihu.com/question/62320831/answer/197300885來源：知乎著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。

新手運營，可以去上黃有璨三節課三節課-網際網路人的線上大學 的運營課程。如果有一些基礎的話，建議從P2開始上。從課程設定就可以看出來，無論是運營的底層邏輯，還是文案、使用者、或活動，現在運營的每一個模組都離不開資料的。基本上如果你的每一個運營動作，都能遵循“調查－策劃－行動－反饋”這一流程，也就是說，不斷從資料中獲得靈感，從資料中獲得經驗，並付諸下一次行動之中，你就算不會成為大神，也會處於不斷的成長與提高之中。

書籍推薦

同樣，書籍的話，他的《運營之光》也蠻不錯，適合新手閱讀。

PS：所有看板製作自：資料觀|新一代商業管理雲 我覺得它對於運營人員來說最大的意義，就是可以把運營過程中的各種渠道、各個模組使用的工具，比如百度推廣、金資料、夥伴雲表格、微信公眾號等等，都連線到資料觀的資料中心，一手資料直達一手分析，從此告別每天倒資料拼表！

我的運營管理總看板

這個看板是我每天開啟電腦都要看的一塊板子，也是我向老闆做每日運營簡報的時候會用的板子，裡面囊括了一個運營人員最關心的關鍵指標，同時這些問題也是老闆最愛問的 (*ﾟ▽ﾟ*)

首先4個KPI圖：

圖1展示的是我花在各個推廣渠道的推廣總費用（也就是老闆愛問的：昨兒又花了多少錢啊？）圖2展示的是吸引來的使用者，在我產品上花了多少錢（也就是老闆愛問的：效果怎麼樣？——雖然他問的是效果，但是絕對不能用‘很好’‘不錯’‘一般’這種字眼應付他，告訴他數字，顯人靠譜）圖3是新增使用者量（也就是老闆愛問的：來了多少人？）圖4是付費使用者量（也就是老闆愛問的：其中多少人付費了？）

接下來是一個漏斗圖：

漏斗圖一般用在銷售領域，但是，在非常注重轉化的運營領域也同樣適用哦！你可以看到各個環節的人數變化，我這裡面計算的是 新增訪客數－新增註冊人數－新增購買人數－新增復購人數。在這個漏斗中可以看出訪客到註冊這個環節，轉化不是很好，我就可以告訴老闆，接下來我要優化訪客著陸頁以及註冊流程，以提升註冊人數blah blah～

再來就是各種付費渠道的投資回報率了：

作為新手運營你一定要知道你老闆最在乎的三個字母是什麼：張開嘴巴跟我念——R～O～I～

這仨字母就是投資回報率，其實這是個誰花錢誰都會琢磨的問題——我這幾筆錢花的值麼？哪一筆最值？哪一筆可以不花？

有了這個柱線圖你就可以看的非常清楚了。